风电机组故障监测方法和装置技术领域
本发明涉及监测技术，尤其涉及一种风电机组故障监测方法和装置。
背景技术
随着风力发电的快速发展，风电机组获得了广泛的应用。但在风电
机组的应用过程中，不可避免地会产生一些故障，如何有效监测故障从
而保障风电机组的正常运转成为亟待解决的问题。
针对风电机组的故障监测，目前往往仅能给出对风电机组中的零部
件进行测量之后所获得的二维曲线结果，这种二维曲线所反映的部件故
障不够直观，往往还需要有经验的故障监测人员依靠人员经验，对二维
曲线进行分析以识别出零部件是否具有故障。
发明内容
本发明提供一种风电机组故障监测方法和装置，用于解决现有技术
中故障监测结果不够直观的技术问题。
为达到上述目的，本发明的实施例采用如下技术方案：
第一方面，提供了一种风电机组故障监测方法，包括：
对风电机组中的零部件进行故障识别；
采用零部件的三维模型对所识别出的故障进行呈现。
第二方面，提供了一种风电机组故障监测装置，包括：
识别模块，用于对风电机组中的零部件进行故障识别；
呈现模块，用于采用零部件的三维模型对所识别出的故障进行呈现。
本发明实施例中，通过对风电机组中的零部件进行故障识别之后，
针对所识别出的故障，采用该零部件的三维模型对故障进行呈现，从而
使得故障监测人员能够直观的观察到零部件所出现故障，不仅有利于在
轻微故障演变成严重故障之前采取有效的故障处理措施，从而减轻故障
危害，而且降低了对故障监测人员的经验要求，避免了现有技术中故障
监测人员依靠人员经验对二维曲线进行分析以识别出零部件是否具有故
障的过程。
附图说明
图1为本发明实施例一提供的一种风电机组故障监测方法的流程示
意图；
图2为本发明实施例二提供的一种风电机组故障监测方法的流程示
意图；
图3为AWS云端的数据分析流程图；
图4为一般分析流程图；
图5为故障匹配和处理的流程图；
图6为本发明实施例三提供的一种风电机组故障监测装置的结构示
意图；
图7为本发明实施例三提供的另一种风电机组故障监测装置的结构
示意图；
图8为本发明实施例四提供的一种风电机组故障监测装置的结构示
意图；
图9为本发明实施例四提供的另一种风电机组故障监测装置的结构
示意图；
图10为本发明实施例四提供的又一种风电机组故障监测装置的结构
示意图。
具体实施方式
下面结合附图对本发明实施例提供的风电机组故障监测方法和
装置进行详细描述。
实施例一
图1为本发明实施例一提供的一种风电机组故障监测方法的流程示
意图，如图1所示，方法包括：
步骤101、对风电机组中的零部件进行故障识别。
具体的，首先在风电机组的零部件上安装振动、声音、温度和成像
传感器，利用这些传感器采集零部件的传感数据集。其中，传感数据集
包括振动参数、声音参数、温度参数和图像参数。将传感器所采集到的
传感数据集通过可编程逻辑控制器(ProgrammableLogicController，PLC)
发送到工控机上，进一步通过工控机将这些传感数据集上传至AWS云端，
其中AWS是一种云服务平台，从而在AWS云端对传感数据集进行分析
处理，以确定传感数据集对应的零部件是否存在故障。
例如：在采集这些传感数据集的过程中，可以包括但不限于以下三
种采集方法：
第一种采集方法，分别采用振动传感器、声音传感器、温度传感器
和成像传感器，从而声音、振动、温度、图像参数分别独立采集。
第二种采集方法，声音和振动采用同一传感器采集，依据声音与振
动之间的函数关系对采集到的信号进行推理，分别获得声音参数和振动
参数的取值。
第三种采集方法，声音和温度采用同一传感器采集，依据声音与温
度之间的函数关系对采集到的信号进行推理，分别获得声音参数和温度
参数的取值。
其中，针对成像参数的采集，可以采用视频录制方式实现，也可以
借助三维建模技术，对振动传感器、声音传感器和温度传感器等所采集
到的信号进行处理，从而获得再现图像数据，将再现图像数据作为图像
参数的取值。
然后，在AWS云端对传感数据集进行分析处理具体采用预先训练的
机器学习模型，对传感数据集进行处理，获得特征检验矩阵。其中，特
征检验矩阵的行向量用于指示零部件，列向量用于指示物理参数。进而
根据特征检验矩阵进行故障识别。
作为一种可能的实现方式，机器学习模型可以为BP神经网络，将传
感器所采集到的各零部件的振动、声音、温度和/或图像参数作为BP神
经网络的输入参数，由逆传播(BackPropagation，BP)神经网络进行主
成份分析、关联分析和/或聚类分析获得特征检验矩阵。若特征检验矩阵
中零部件物理参数的取值与设计状态下物理参数的取值相匹配，则确定
零部件运转正常；否则，识别出零部件存在故障。
进一步，识别出零部件存在故障之后，还可以在故障数据库中，查
询与特征检验矩阵中零部件物理参数的取值相匹配的目标故障模式。
本步骤中AWS云端之所以能够基于传感器采集零部件的传感数据
集进行分析处理，确定信号对应的零部件是否存在故障，是依赖于传感
数据集所推衍出的零部件物理参数能够准确描述该零部件的运行状态。
风电机组是一个大的系统，这个系统由多个分系统组成，而每个分系统
又分别由多个机械零部件组成，这些零部件是遵循一定的标准配合在一
起的。而标准是预先根据零部件的功能数据以及几何数据而制定，因此，
可以利用功能数据以及几何数据来描述零部件，功能数据和几何数据所
构成的集合便是零部件的物理参数。物理参数包括但不限于：转轴扭矩T、
固有频率H、摩擦力Ff、反射光强U、轴传递的功率W、输出功率P、
转速N、压力Fp、风速V、叶轮直径D、零部件质量M和/或像素O。其
中，转轴扭矩T、摩擦力Ff和压力Fp属于力学参数。
步骤102、采用零部件的三维模型对所识别出的故障进行呈现。
可选的，针对所识别出的存在故障的零部件，从存在故障的零部件
各物理参数中提取出力学参数，根据特征检验矩阵，确定存在故障的零
部件的力学参数的取值，将力学参数的取值作为边界条件，对存在故障
的零部件处于正常状态的三维模型进行应力分析，获得呈现应力状态的
三维模型。
或者，可选的，从零部件的三维模型库中，调用与步骤101中故障
识别所获得的目标故障模式相对应的目标三维模型，呈现目标三维模型。
其中，零部件的三维模型库用于存储正常状态的三维模型，还可以
进一步存储各故障模式下的三维模型。
当零部件为多个时，零部件的三维模型库中可以存储各零部件在各
故障模式下的三维模型，以及处于正常状态的三维模型。
作为一种可能的实现方式，可以根据上一步骤中所获得的特征检验
矩阵中的物理参数的取值，在零部件的三维模型库中，确定对应零部件
的三维模型。
作为另一种可能的实现方式，也可以直接根据特征检验矩阵行向量
所指示的零部件，确定对应零部件的三维模型。
之所以能够根据特征检验矩阵中的物理参数的取值，在零部件的三
维模型库中确定对应零部件的三维模型是由于零部件存在一些相对稳定
的物理参数，比如几何参数和材料参数，从而据此识别出三维模型对应
的零部件。
具体来说，物体的固有频率是物体的一种物理特征，由物体的结构、
大小、形状以及材料等特性决定，因而，可以根据测试所获得的振动参
数的取值计算固有频率，进而计算获得零部件的结构、大小、形状以及
材料等物理参数。如下为具有频率计算公式：
H = 2 π M K ]]>
其中M为质量，K为刚度系数，而刚度系数又可以通过下试算得：
K＝Pf/δ
其中Pf为受力，δ为形变量。在已知受力Pf和形变量δ的情况下，通
过联立以上两式解得零部件的质量M，而质量M又是密度与几何尺寸的
函数，即：
M＝f(ρ,v)
其中ρ是密度，v是体积，由此，可以将各三维模型集所记录的三维
模型的密度ρ、体积v，并结合刚度K与特征检验矩阵进行初步的匹配，
进而调出匹配中的零部件三维模型。若存在多个匹配结果，还可以进一
步根据与运转状态和几何相关的参数进一步确定一个最为匹配的三维模
型，例如：扭矩T、截面惯性矩IR、截面扭转角变化量长度变化量dx、
面积分微元dA、轴传递的功率W、轴的转速N、轴半径R、半径R处的
剪切力τR、半径R处的切变γR、扭转刚度G和抗扭截面系数WR。以上这
些参数之间的相互关系如下：
T = 9549 W N ]]>
τ＝Gγ
τ R = T · R I R ]]>
W R = I R R ]]>
另外，还可以在零部件上增加位置传感器采集位置参数，例如GPS
传感器，并预先建立三维模型与位置参数之间的对应关系，从而根据所
采集到的零部件的位置确定对应的三维模型。
零部件的三维模型库中所存储的正常状态的三维模型可以是预先根
据零部件的物理参数的设计值进行三维建模获得的。首先，针对每一个
零部件已知W,T,N,M,K,G,WR,H,O参数的设计值，根据映射函数
f:X(W,T,N,M,K,G,WR,H,O)'→Y(xm,xg,xf)'计算获得材料系数xm、几何系数
xg以及功能系数xf。然后，将材料系数xm、几何系数xg以及功能系数xf代
入函数f3D＝f(xm,xg,xf)，进行三维建模，获得三维模型。
本发明实施例中，通过对风电机组中的零部件进行故障识别之后，
针对所识别出的故障，采用该零部件的三维模型对故障进行呈现，从而
使得故障监测人员能够直观的观察到零部件所出现故障，不仅有利于在
轻微故障演变成严重故障之前采取有效的故障处理措施，从而减轻故障
危害，而且降低了对故障监测人员的经验要求，避免了现有技术中故障
监测人员依靠人员经验对二维曲线进行分析以识别出零部件是否具有故
障的过程。
实施例二
图2为本发明实施例二提供的一种风电机组故障监测方法的流程示
意图，本实施例的故障监测方法可以是针对风电机组中的全部零部件，
也可以仅针对风电机组中的一个或多个分系统中的零部件，本实施例中
对此不做限定，如图2所示，包括：
步骤201、传感器采集零部件的传感数据集，依次通过PLC控制器
和工控机上传至AWS云端。
其中，传感数据集包括但不限于：振动、声音、温度和图像参数。
步骤202、AWS云端根据传感数据集进行数据分析。
具体的，AWS云端根据传感数据集进行数据分析从而识别出零部件
存在的故障，图3为AWS云端的数据分析流程图，如图3所示，包括：
步骤2021、AWS云端在通过数据接口接收到的传感数据集之后，进
行数据清洗操作。
步骤2022、选择执行一般分析流程或高级分析流程。
可选的，预先针对各个零部件设置振动、声音、温度和图像参数的
阈值范围，当传感数据集中任一个参数超出阈值范围，则执行高级分析
流程，从而进行更加准确和细致的故障分析，否则执行一般分析。
或者，可选的，可以根据用户的设置选择执行一般分析流程或者高
级分析流程，其中，一般分析流程处理速度较快，但准确性略低，而高
级分析流程处理速度较慢，但准确性较高。
步骤2023、执行一般分析流程。
具体的，图4为一般分析流程图，如图4所示，可以根据零部件的
振动、声音、温度和图像参数输入对应不同状态模式的状态函数，如状
态函数1至状态函数n，n为状态的个数，每个状态函数均输出一个判断
值，进而根据各状态函数的判断值进行分析，从各状态模式中确定一个
最为匹配的状态模式。若匹配的状态模式为正常状态模式则该零部件不
存在故障，运转正常。否则，确定零部件存在故障。
步骤2024、执行高级分析流程。
具体的，将零部件的振动、声音、温度和图像参数输入BP神经网络
进行主成份分析、关联分析和/或聚类分析，获得特征检验矩阵。
其中，特征检验矩阵的参量向量为
X = x 1 x 2 . . . x 11 x 12 = ( x 1 , x 2 ... , x 11 , x 12 ) T ]]>
x1至x12代表12个特征参量，每一种特征参量对应一种物理参数，
对应关系如下所示：
x1＝T,x2＝H,x3＝Ff,x4＝U,x5＝W,x6＝P,x7＝N,x8＝Fp,x9＝V,x10＝D,x11＝M,x12＝O。
若风电机组所包含的零部件的总数为N'，那么就可以建立12×N'特征
检验矩阵：
其中m＝12，表示12个特征参量，每一种特征参量对应如上所提及
的一种物理参数，n＝N'，表示风电机组的N'个零部件。
若特征检验矩阵中零部件物理参数的取值与设计状态下物理参数的
取值相匹配，则确定零部件运转正常。否则，确定零部件存在故障。
步骤2025、根据分析结果，建立零部件模型。
具体的，分析结果主要用于建立零部件模型，该模型是用数据进行
表征的，这些数据可以为步骤2024中所获得的特征检验矩阵，也可以是
步骤2023中的状态函数的取值。
步骤203、AWS云端呈现该零部件的三维模型。
具体的，根据振动、声音、温度和图像参数输入BP神经网络所计算
获得的12×N'特征检验矩阵，从存在故障的零部件各物理参数中提取出力
学参数，确定存在故障的零部件的力学参数的取值，进而将力学参数的
取值作为边界条件，对存在故障的零部件处于正常状态的三维模型进行
应力分析，获得呈现应力状态的三维模型。
步骤204、若确定存在故障，则AWS云端将分析结果与故障数据库
进行匹配，以确定零部件的目标故障模式。
具体的，图5为故障匹配和处理的流程图，如图5所示，包括：
步骤2041、将分析结果与故障数据库进行匹配。
若上一步骤中执行了高级分析流程，则可以在故障数据库中，查询
与特征检验矩阵中零部件物理参数的取值相匹配的目标故障模式。在故
障数据库中记载了各故障模式下特征检验矩阵中零部件物理参数的取值
范围，据此判断零部件所属的目标故障模式。
或者，若上一步骤中执行了一般分析流程，则根据分析所确定的一
个最为匹配的状态模式确定对应的目标故障模式。
步骤2042、若故障数据库中不存在匹配的目标故障模式，则配对失
败。进而，可在故障数据库新增一故障模式，并将存在故障的零部件对
应的特征检验矩阵和/或传感数据集存储到所新增故障模式的对应位置。
步骤2043、若故障数据库中存在匹配的目标故障模式，则配对成功。
步骤205、对故障进行处理。
具体的，如图5所示，通过调用解决方案数据库对故障进行处理，
包括：
步骤2051、查询解决方案数据库，以获得与该零部件的目标故障模
式对应的解决方案。
其中，解决方案数据库中记载了已发生过的故障的相关解决方案。
步骤2052、若查询到解决方案，则配对成功。
步骤2053、若配对成功，判断是否可以执行该解决方案，以消除该
零部件所存在的故障。
步骤2054、若是，则执行该解决方案。
步骤2055、否则，输出该解决方案，以进行人工解决。
步骤2056、若未查询到解决方案，则配对失败。
其中，若该解决方案数据库中不存在目标故障模式对应的解决方案，
则确定该目标故障模式为新增故障。需要技术人员对新增故障进行进一
步分析后，例如：依据零部件的相关数据，如传感数据集和/或特征检验
矩阵，进行故障原因判定和解决方案的制定，将解决方案添加到解决方
案数据库中。
本发明实施例中，通过对风电机组中的零部件进行故障识别之后，
针对所识别出的故障，采用该零部件的三维模型对故障进行呈现，从而
使得故障监测人员能够直观的观察到零部件所出现故障，不仅有利于在
轻微故障演变成严重故障之前采取有效的故障处理措施，从而减轻故障
危害，而且降低了对故障监测人员的经验要求，避免了现有技术中故障
监测人员依靠人员经验对二维曲线进行分析以识别出零部件是否具有故
障的过程。另外，由于采用了BP神经网络依据各零部件的设计状态下的
物理参数对故障进行识别，提高了故障识别的准确性，并实现在出现新
故障时，对零部件的相关数据存储到故障数据库中，以便不断完善故障
数据库。
实施例三
图6为本发明实施例三提供的一种风电机组故障监测装置的结构示
意图，如图6所示，包括：识别模块61和呈现模块62。
识别模块61，用于对风电机组中的零部件进行故障识别。
呈现模块62，用于采用零部件的三维模型对所识别出的故障进行呈
现。
进一步，图7为本发明实施例三提供的另一种风电机组故障监测装
置的结构示意图，如图7所示，在图6的基础上，识别模块61包括：输
入单元601和确定单元602。
输入单元601，用于将传感器所采集到的零部件的传感数据集输入对
应各状态的状态模式函数，获得各判断值。
确定单元602，用于根据各状态函数的判断值，从各状态模式中确定
最为匹配的状态模式，若匹配的状态模式为正常状态模式，则该零部件
不存在故障，否则，确定匹配的状态模式为零部件的目标故障模式。
更进一步，风电机组故障监测装置还包括：查询模块63和处理模块
64。
查询模块63，用于查询解决方案数据库，获得与零部件的目标故障
模式对应的解决方案。
处理模块64，用于根据解决方案对零部件进行故障处理，和/或，输
出解决方案。
本发明实施例中，通过对风电机组中的零部件进行故障识别之后，
针对所识别出的故障，采用该零部件的三维模型对故障进行呈现，从而
使得故障监测人员能够直观的观察到零部件所出现故障，不仅有利于在
轻微故障演变成严重故障之前采取有效的故障处理措施，从而减轻故障
危害，而且降低了对故障监测人员的经验要求，避免了现有技术中故障
监测人员依靠人员经验对二维曲线进行分析以识别出零部件是否具有故
障的过程。
实施例四
图8为本发明实施例四提供的一种风电机组故障监测装置的结构示
意图，如图8所示，在图6的基础上，识别模块61包括：采集单元611，
分析单元612和识别单元613。
采集单元611，用于利用传感器采集零部件的传感数据集。
具体的，采集单元611具体用于利用传感器采集零部件的振动、声
音、温度和/或图像参数的取值，并将振动、声音、温度和/或图像参数的
取值作为传感数据集。
分析单元612，用于采用预先训练的机器学习模型，对传感数据集进
行数据分析，获得特征检验矩阵。
具体的，分析单元612具体用于采用预先训练的BP神经网络，对传
感数据集进行主成份分析、关联分析和/或聚类分析获得特征检验矩阵。
其中，特征检验矩阵的行向量用于指示零部件，列向量用于指示物
理参数。
例如：物理参数包括但不限于转轴扭矩T、固有频率H、摩擦力Ff、
反射光强U、轴传递的功率W、输出功率P、转速N、压力Fp、风速V、
叶轮直径D、零部件质量M和/或像素O。其中，转轴扭矩T、摩擦力Ff
和压力Fp属于力学参数。
识别单元613，用于根据特征检验矩阵进行故障识别。
进一步，识别单元613，包括：判断子单元6131和查询子单元6132。
判断子单元6131，用于若特征检验矩阵中零部件物理参数的取值与
设计状态下物理参数的取值相匹配，则确定零部件运转正常；否则，识
别出零部件存在故障。
查询子单元6132，用于在故障数据库中，查询与特征检验矩阵中零
部件物理参数的取值相匹配的目标故障模式。
更进一步，风电机组故障监测装置还包括：查询模块63和处理模块
64。
查询模块63，用于查询解决方案数据库，获得与零部件的目标故障
模式对应的解决方案。
处理模块64，用于根据解决方案对零部件进行故障处理，和/或，输
出解决方案。
通过识别模块61对风电机组中的零部件进行故障识别之后，呈现模
块62针对识别模块61所识别出的故障，采用该零部件的三维模型对故
障进行呈现，从而使得故障监测人员能够直观的观察到零部件所出现故
障，不仅有利于在轻微故障演变成严重故障之前采取有效的故障处理措
施，从而减轻故障危害，而且降低了对故障监测人员的经验要求，避免
了现有技术中故障监测人员依靠人员经验对二维曲线进行分析以识别出
零部件是否具有故障的过程。另外，通过处理模块64根据查询模块63
所查询到的对应该故障的解决方案对零部件进行故障处理，和/或，输出
该解决方案，使得风电机组能够自动对故障进行处理，减轻了故障监测
人员的工作量，提高了故障处理的效率。
作为一种可能的实现形式，图9为本发明实施例四提供的另一种风
电机组故障监测装置的结构示意图，在图8的基础上，如图9所示，呈
现模块62进一步包括：提取单元621、确定单元622和第一呈现单元623。
提取单元621，用于针对所识别出的存在故障的零部件，从存在故障
的零部件各物理参数中提取出力学参数。
确定单元622，用于根据特征检验矩阵，确定存在故障的零部件的力
学参数的取值。
第一呈现单元623，用于将力学参数的取值作为边界条件，对存在故
障的零部件处于正常状态的三维模型进行应力分析，获得呈现应力状态
的三维模型。
或者，作为另一种可能的实现形式，图10为本发明实施例四提供的
又一种风电机组故障监测装置的结构示意图，在图8的基础上，如图10
所示，呈现模块62进一步包括：调用单元624和第二呈现单元625。
调用单元624，用于从零部件的三维模型库中，调用与目标故障模式
相对应的目标三维模型；
第二呈现单元625，用于呈现目标三维模型。
本实施例中，通过对风电机组中的零部件进行故障识别之后，针对
所识别出的故障，采用该零部件的三维模型对故障进行呈现，从而使得
故障监测人员能够直观的观察到零部件所出现故障，不仅有利于在轻微
故障演变成严重故障之前采取有效的故障处理措施，从而减轻故障危害，
而且降低了对故障监测人员的经验要求，避免了现有技术中故障监测人
员依靠人员经验对二维曲线进行分析以识别出零部件是否具有故障的过
程。
本领域普通技术人员可以理解：实现上述各方法实施例的全部
或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以
存储于一计算机可读取存储介质中。该程序在执行时，执行包括上
述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁
碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，
而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，
本领域的普通技术人员应当理解：其依然可以对前述各实施例所记
载的技术方案进行修改，或者对其中部分或者全部技术特征进行等
同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本
发明各实施例技术方案的范围。